為什麼要選擇Python語言實現機器學習演算法

基於以下三個原因，我們選擇Python作為實現機器學習演算法的程式設計語言：(1) Python的文法清晰；(2) 易於操作純文字檔案；(3) 使用廣泛，存在大量的開發文檔。

可執行虛擬碼

Python具有清晰的文法結構，大家也把它稱作可執行虛擬碼（executable pseudo-code）。預設安裝的Python開發環境已經附帶了很多進階資料類型，如列表、元組、字典、集合、隊列等，無需進一步編程就可以使用這些資料類型的操作。使用這些資料類型使得實現抽象的數學概念非常簡單。此外，讀者還可以使用自己熟悉的編程風格，如物件導向編程、面向過程編程、或者函數式編程。不熟悉Python的讀者可以參閱附錄A，該附錄詳細介紹了Python語言、Python使用的資料類型以及安裝指南。

Python語言處理和操作文字檔非常簡單，非常易於處理非數值型資料。Python語言提供了豐富的Regex函數以及很多訪問Web頁面的函數庫，使得從HTML中提取資料變得非常簡單直觀。

Python比較流行

Python語言使用廣泛，代碼範例也很多，便於讀者快速學習和掌握。此外，在開發實際應用程式時，也可以利用豐富的模組庫縮短開發週期。

在科學和金融領域，Python語言得到了廣泛應用。SciPy和NumPy等許多科學函數庫都實現了向量和矩陣操作，這些函數庫增加了代碼的可讀性，學過線性代數的人都可以看懂代碼的實際功能。另外，科學函數庫SciPy和NumPy使用底層語言（C和Fortran）編寫，提高了相關應用程式的計算效能。本書將大量使用Python的NumPy。

Python的科學工具可以與繪圖工具Matplotlib協同工作。Matplotlib可以繪製2D、3D圖形，也可以處理科學研究中經常使用到的圖形，所以本書也將大量使用Matplotlib。

Python開發環境還提供了互動式shell環境，允許使用者開發程式時查看和檢測程式內容。

Python開發環境將來還會整合Pylab模組，它將NumPy、SciPy和Matplotlib合并為一個開發環境。在本書寫作時，Pylab還沒有併入Python環境，但是不遠的將來我們肯定可以在Python開發環境找到它。

Python語言的特色

諸如MATLAB和Mathematica等進階程式語言也允許使用者執行矩陣操作，MATLAB甚至還有許多內嵌的特徵可以輕鬆地構造機器學習應用，而且MATLAB的運算速度也很快。然而MATLAB的不足之處是軟體費用太高，單個軟體授權就要花費數千美元。雖然也有適合MATLAB的第三方外掛程式，但是沒有一個有影響力的大型開源項目。

Java和C等強型別程式設計語言也有矩陣數學庫，然而對於這些程式設計語言來說，最大的問題是即使完成簡單的操作也要編寫大量的代碼。程式員首先需要定義變數的類型，對於Java來說，每次封裝屬性時還需要實現getter和setter方法。另外還要記著實現子類，即使並不想使用子類，也必須實現子類方法。為了完成一個簡單的工作，我們必須花費大量時間編寫了很多無用冗長的代碼。Python語言則與Java和C完全不同，它清晰簡練，而且易於理解，即使不是編程人員也能夠理解程式的含義，而Java和C對於非編程人員則像天書一樣難於理解。

所有人在小學二年級已經學會了寫作，然而大多數人必須從事其他更重要的工作。

——鮑比·奈特

也許某一天，我們可以在這句話中將“寫作”替代為“編寫代碼”，雖然有些人對於編寫代碼高度興趣，但是對於大多數人來說，編程僅是完成其他任務的工具而已。Python語言是進階程式設計語言，我們可以花費更多的時間處理資料的內在含義，而無須花費太多精力解決電腦如何得到資料結果。Python語言使得我們很容易表達自己的目的。

Python語言的缺點

Python語言唯一的不足是效能問題。Python程式啟動並執行效率不如Java或者C代碼高，但是我們可以使用Python調用C編譯的代碼。這樣，我們就可以同時利用C和Python的優點，逐步地開發機器學習應用程式。我們可以首先使用Python編寫實驗程式，如果進一步想要在產品中實現機器學習，轉換成C代碼也不困難。如果程式是按照模組化原則組織的，我們可以先構造可啟動並執行Python程式，然後再逐步使用C代碼替換核心代碼以改進程式的效能。C++ Boost庫就適合完成這個任務，其他類似於Cython和PyPy的工具也可以編寫強型別的Python代碼，改進一般Python程式的效能。

如果程式的演算法或者思想有缺陷，則無論程式的效能如何，都無法得到正確的結果。如果解決問題的思想存在問題，那麼單純通過提高程式的運行效率，擴充使用者規模都無法解決這個核心問題。從這個角度來看，Python快速實現系統的優勢就更加明顯了，我們可以快速地檢驗演算法或者思想是否正確，如果需要，再進一步最佳化代碼。

註：本文摘自即將在6月10號左右上市的《機器學習實戰》